Ⅰ-LIVSVM是什么

LIBSVM – A Library for Support Vector Machines
Chih-Chung Chang and Chih-Jen Lin
LIBSVM是台湾大学林智仁教授等开发设计的一个简单、易于使用和快速有效的SVM模式识别与回归的软件包。

Ⅱ-使用LIBSVM生成数据集

1.启动LIBSVM
解压好的libsvm目录下找到windows文件夹
在这里插入图片描述
2.鼠标左键单击手动绘制点

3.再绘制不同颜色的另一组

4.保存做为训练集，同理设置测试集

Ⅲ-使用LIBSVM求决策函数

libsvm用法：svm-train [options] training_set_file [model_file]
options：
-s svm_type:设定SVM类型（默认为0）
0 – C-SVC （多类分类）
1 – nu-SVC （多类分类）
2 – one-class SVM
3 – epsilon-SVR （回归）
4 – nu-SVR （回归）
-t kernel_type：设定核函数类型（默认为2）
0 – linear: u’v 线性核函数
1 – polynomial: (gammau’v + coef0)^degree 多项式核函数
2 – radial basis function: exp(-gamma|u-v|^2) 径向基函数
3 – sigmoid: tanh(gamma*u’v + coef0) sigmoid核函数
4 – precomputed kernel (kernel values in training_set_file) 自定义核函数
-d degree：设定核函数的 degree 值（默认为 3）
-g gamma：设定核函数的 gamma 值（默认为 1/k）
-r coef0：设定核函数的 coef0 值（默认为 0）
-c cost：设定 C-SVC，epsilon-SVR，nu-SVR 的参数惩罚因子C值（默认为 1）
-n nu：设定 nu-SVC，one-class SVM，nu-SVR 的参数nu值（默认为 0.5）
-p epsilon：设定 epsilon-SVR 的损失函数中的 epsilon 值（默认为 0.1）
-m cachesize：设定缓存大小，以 MB 为单位（默认为 100）
-e epsilon：设定终止条件的允差（默认为 0.001）
-h shrinking：是否使用 shrinking heuristics（PS：这玩意太不好翻译），0 或 1（默认为 1）
-b probability_estimates：是否训练一个 SVC 或 SVR 模型做概率估计，0或1（默认为 0）
-wi weight : 对于 C-SVC，设定 i 类的参数 C 为 weightC（默认为1）
-v n：n-折交叉验证模式
-q ：退出模式（无输出）
-g 选项中的的 k 为输入数据的属性数量。
-v 选项随机截取数据为 n 个部分，计算它们的交叉验证的精度或者均方误差。

线性核

from libsvm.svmutil import *
from libsvm.svm import *
import scipy.spatial

label,data= svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/train.txt')#训练数据
p_label,p_data=svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/test.txt')#测试数据

para ='-t 0 -c 4 -b 1' #使用线性核训练参数

model=svm_train(label,data,para)
svm_save_model('E:/P_R_O_J/FOLDER/libsvm-3.25/new/model1.txt',model)
acc=svm_predict(p_label,p_data,model)

在这里插入图片描述

多项式核

只需将-t 0改成1

from libsvm.svmutil import *
from libsvm.svm import *
import scipy.spatial

label,data= svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/train.txt')#训练数据
p_label,p_data=svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/test.txt')#测试数据

para ='-t 1 -c 4 -b 1' #训练参数

model=svm_train(label,data,para)
svm_save_model('E:/P_R_O_J/FOLDER/libsvm-3.25/new/model2.txt',model)
acc=svm_predict(p_label,p_data,model)

在这里插入图片描述

高斯核

只需1改成2

from libsvm.svmutil import *
from libsvm.svm import *
import scipy.spatial

label,data= svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/train.txt')#训练数据
p_label,p_data=svm_read_problem('E:/P_R_O_J/FOLDER/libsvm-3.25/new/test.txt')#测试数据

para ='-t 2 -c 4 -b 1' #训练参数

model=svm_train(label,data,para)
svm_save_model('E:/P_R_O_J/FOLDER/libsvm-3.25/new/model3.txt',model)
acc=svm_predict(p_label,p_data,model)